Conexões no Estúdio de IA do Azure
As conexões no Estúdio de IA do Azure são uma maneira de autenticar e consumir recursos da Microsoft e não da Microsoft em seus projetos do Estúdio de IA. Por exemplo, as conexões podem ser usadas para um prompt flow, dados de treinamento e implantações. As conexões podem ser criadas exclusivamente para um projeto ou compartilhadas com todos os projetos no mesmo hub.
Conexões com serviços de IA do Azure
É possível criar conexões com serviços de IA do Azure, como o OpenAI do Azure e a Segurança de Conteúdo de IA do Azure. Em seguida, você pode usar a conexão em uma ferramenta do prompt flow, como a ferramenta LLM.
Também é possível, por exemplo, criar uma conexão com um recurso de Pesquisa de IA do Azure. Depois, a conexão pode ser usada por ferramentas de prompt flow, como a ferramenta de Pesquisa de Índice.
Conexões com serviços que não são da Microsoft
O Azure AI Studio dá suporte a conexões com serviços que não são da Microsoft, incluindo o seguinte:
- A conexão de chave de API manipula a autenticação para o destino especificado individualmente. Esse é o tipo de conexão não Microsoft mais comum.
- A conexão personalizada permite armazenar e acessar chaves com segurança ao armazenar propriedades relacionadas, como destinos e versões. As conexões personalizadas são úteis quando você tem muitos destinos ou casos em que não precisará de uma credencial para o acesso. Os cenários do LangChain são um bom exemplo no qual você usará conexões de serviço personalizadas. As conexões personalizadas não gerenciam a autenticação, portanto, você terá que gerenciar a autenticação por conta própria.
Conexões com armazenamentos de dados
Importante
As conexões de dados não podem ser compartilhadas entre projetos. Elas são criadas exclusivamente no contexto de um projeto.
A criação de uma conexão de dados permite que você acesse dados externos sem copiá-los para o seu projeto. Em vez disso, a conexão fornece uma referência à fonte de dados.
Uma conexão de dados oferece estes benefícios:
- Uma API comum e fácil de usar que interage com diferentes tipos de armazenamento, incluindo Microsoft OneLake, Blob do Azure e Azure Data Lake Gen2.
- Descoberta mais fácil de armazenamentos de dados úteis em operações de equipe.
- Para acesso baseado em credencial (entidade de serviço/SAS/chave), a conexão do Estúdio de IA protege as informações de credencial. Dessa forma, você não precisará colocar essas informações em seus scripts.
Ao criar um armazenamento de dados com uma conta de Armazenamento do Azure existente, você pode escolher entre dois métodos de autenticação diferentes:
Baseado em credencial: autentique o acesso de dados com uma entidade de serviço, um token SAS (assinatura de acesso compartilhado) ou uma chave de conta. Os usuários com permissões de projeto de Leitor podem acessar as credenciais.
Baseado em identidade: use sua identidade Microsoft Entra ID ou identidade gerenciada para autenticar o acesso a dados.
Dica
Ao usar uma conexão baseada em identidade, o controle de acesso baseado em função (RBAC) do Azure é usado para determinar quem pode acessar a conexão. Você precisa atribuir as funções de RBAC do Azure corretas aos desenvolvedores antes que eles possam usar a conexão. Para obter mais informações, confira Cenário: Conexões usando o Microsoft Entra ID.
A seguinte tabela mostra os serviços de armazenamento e os métodos de autenticação baseados em nuvem do Azure com suporte:
| Serviço de armazenamento com suporte | Autenticação baseada em credencial | Autenticação baseada em identidade |
|---|---|---|
| Contêiner de Blob do Azure | ✓ | ✓ |
| Microsoft OneLake | ✓ | ✓ |
| Azure Data Lake Gen2 | ✓ | ✓ |
Um URI (Uniform Resource Identifier) representa um local de armazenamento em seu computador local, armazenamento do Azure ou um local http ou https disponível publicamente. Estes exemplos mostram URIs para diferentes opções de armazenamento:
| Local de armazenamento | Exemplos de URI |
|---|---|
| Conexão do Estúdio de IA do Azure | azureml://datastores/<data_store_name>/paths/<folder1>/<folder2>/<folder3>/<file>.parquet |
| Arquivos locais | ./home/username/data/my_data |
| Servidor http ou https público | https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv |
| Armazenamento de Blobs | wasbs://<containername>@<accountname>.blob.core.windows.net/<folder>/ |
| Azure Data Lake (gen2) | abfss://<file_system>@<account_name>.dfs.core.windows.net/<folder>/<file>.csv |
| Microsoft OneLake | abfss://<file_system>@<account_name>.dfs.core.windows.net/<folder>/<file>.csv https://<accountname>.dfs.fabric.microsoft.com/<artifactname> |
Cofres de chaves e segredos
As conexões permitem que você armazene credenciais com segurança, autentique o acesso e consuma dados e informações. Os segredos associados às conexões são mantidos com segurança no Azure Key Vault correspondente, aderindo a padrões robustos de segurança e conformidade. Como administrador, você pode auditar conexões compartilhadas e com escopo de projeto em um nível de hub (link para RBAC de conexão).
As conexões do Azure funcionam como proxies de cofre de chaves, e as interações com as conexões são, na verdade, interações diretas com um cofre de chaves do Azure. As conexões do Estúdio de IA do Azure armazenam chaves de API com segurança, como segredos, em um cofre de chaves. O cofre de chaves RBAC (controle de acesso baseado em função) do Azure controla o acesso a esses recursos de conexão. Uma conexão faz referência às credenciais do local de armazenamento do cofre de chaves para uso adicional. Você não precisará lidar diretamente com as credenciais depois que elas forem armazenadas no cofre de chaves do hub. Você tem a opção de armazenar as credenciais no arquivo YAML. Um comando da CLI ou SDK pode substituí-las. Recomendamos que você evite o armazenamento de credenciais em um arquivo YAML, pois uma violação de segurança pode levar a um vazamento de credencial.